小麦是我国消费量较高的谷物,也是世界重要的粮食作物之一,其安全储藏及品质状况影响着国民经济发展和居民生活水平。因此,准确可靠的指标分析处理方法、综合全面的品质评价方案是需要进一步研究的课题。小麦的多生理生化指标测取难度不一,且各指标单位、量级和物理意义明显不同;小麦多指标间也存在较为复杂的相关性,对整体品质的影响程度尚不明确。所以对于精度要求不同、数据量大小不一、品质情况不明的小麦,建立的模型应具有不同的针对性。基于此,本文针对小麦的指标分析及品质评判问题开展了以下几个方面的研究:(1)小麦指标预测模型研究为了能够方便获得一些较难测取的小麦指标,课题提出一种综合多指标相关性进行预测分析的回归模型。根据多指标的变化趋势和方差进行预处理,以剔除异常数据;结合多指标间的欧式相关系数进行计算分析,并基于偏最小二乘算法建立预测模型,完成了用易测指标来预测难测指标的任务。(2)小麦多指标综合分级研究为了能够在先验知识不足的条件下,对品质、品种未知或数量较大的小麦数据进行较为合理的分级,提出了一种多指标综合分级算法。先根据各指标数据分布特点及极值情况将数据集分成优、良、中、差4个评价区间,并使用这4种评价类别分别表示具体的指标数值;再统计每批小麦中各指标评价类别的数量关系,继而构建了小麦的分级模型。(3)采用模糊综合分析法的小麦品质评判为了降低由单一因素判定和多因素集融合过程中所造成的误差,获得准确、高效的小麦品质评价结果,为此构建了小麦多生理生化指标因素集,采用模糊数学的评价方法,对各因素集的标准差分析计算,得出权重系数,再结合劣化度和隶属度函数建立小麦品质模糊综合评价模型,最终根据最大隶属度原则可准确高效获得小麦品质的最终评价结果。(4)基于指标分析及Fisher准则的小麦评价分类小麦各指标在评价其储存品质方面存在较大差异,且对整体品质的影响程度也各不相同。为了能够提高小麦处理分析的精度,课题给出了基于指标分析及Fisher准则的小麦评价分类模型。通过指标间欧式距离及敏感性分析选出具有代表性的指标,再以单指标数据系统聚类的结果为基础,综合多指标数据训练出Fisher分类函数,从而可以通过计算小麦的多指标判别值对其进行评价分类。